[논문 리뷰] Deep generative models for unsupervised delamination detection using guided waves

Mahindra Rautela, Amin Maghareh외 2명|arXiv (Cornell University)|2023. 08. 10.

Ultrasonics and Acoustic Wave PropagationEngineering인용 수 3

한 줄 요약

이 논문은 초음파 유도파를 사용하여 복합 항공기 구조물에서 비정상적인 탈층 검출을 위한 일종의 변분 오토에인코더(VAE)를 제안한다. 연속 웨이블릿 변환(CWT)을 통해 변환된 기준 신호의 시간-주파수 표현을 기반으로 훈련함으로써, 모델은 정상 신호 분포를 학습하고 탈층을 이상치로 감지한다. 개방형 벤치마크 데이터셋에서 99번째 백분율 오차 임계값을 사용하여 높은 정확도를 달성하였다.

ABSTRACT

With the rising demands for robust structural health monitoring procedures for aerospace structures, the scope of intelligent algorithms and learning techniques is expanding. Supervised algorithms have shown promising results in the field provided a large, balanced, and labeled amount of data for training. For some applications like aerospace, the data collection process is cumbersome, time-taking, and costly. Also, generating possible damage scenarios in a laboratory setup is challenging because of the complexity of the damage initiation and failure mechanism. Besides this, the uncertainties of the real-time operation restrict the online prediction accuracy with supervised learning. In this paper, deep generative models are proposed for unsupervised delamination prediction as an anomaly detection problem. In this one-class-based model, the deep learning network is trained to learn the distribution of baseline signals. In the testing phase, damage signals and unseen baseline signals are fed into the trained network to predict the state of the structure, i.e., healthy or unhealthy (delamination). It is seen that the proposed method can successfully predict the delamination with high accuracy.

연구 동기 및 목표

• 항공기 구조물 정상 상태 모니터링에서 라벨이 부족하고 비용이 많이 들며 균형이 깨진 데이터 문제를 해결한다.
• 딥 러닝 생성 모델을 활용한 비지도 이상 탐지 프레임워크를 개발하여 탈층을 탐지한다.
• 감독 학습이 비현실적인 안전이 중요한 항공기 응용 분야에서 온라인 실시간 상태 모니터링을 가능하게 한다.
• 가이드파 신호의 시간-주파수 표현을 활용하여 탐지 성능의 강건성을 향상시킨다.
• 손상 라벨이 없는 훈련 데이터로도 건강한 상태와 탈층 상태를 구분하는 일종의 VAE의 효과성을 입증한다.

제안 방법

• 기준(건강한) 가이드파 신호만으로 훈련된 일종의 VAE를 사용하여 그들의 기저 분포를 학습한다.
• 원시 1차원 시간 시리즈 가이드파 신호를 연속 웨이블릿 변환(CWT)을 통해 2차원 시간-주파수 표현으로 변환한다.
• 합성곱 인코더와 디코더를 갖춘 VAE를 사용하고, 2차원 잠재 공간 및 재구성 전략을 사용하여 엔드 투 엔드 훈련을 수행한다.
• 평균 제곱 오차와 사후 분포 및 사전 분포 간의 Kullback-Leibler(KL) 발산을 조합한 손실 함수를 최적화하여 네트워크를 학습시킨다.
• 검출 임계값을 훈련 세트의 99번째 백분율과 최대 오차로 설정하여, 미리 보지 않은 신호를 건강 또는 탈층 상태로 분류한다.
• 건강한 신호와 이상 신호 분포 간의 분리 여부를 검증하기 위해 잠재 공간과 재구성 오차를 시각화한다.

실험 결과

연구 질문

• RQ1 일종의 VAE는 복합판의 기준 가이드파 신호 분포를 효과적으로 학습할 수 있는가?
• RQ2 손상 라벨이 전혀 없는 데이터로도 훈련된 VAE가 탈층을 이상치로 탐지할 수 있는가?
• RQ3 CWT를 통한 시간-주파수 표현을 사용할 경우 원시 신호를 직접 사용하는 것보다 탐지 성능이 향상되는가?
• RQ4 거짓 경고와 거짓 음성의 수를 최소화하기 위해 최적의 임계값 설정 전략(예: 99번째 백분율 vs. 최대 오차)은 무엇인가?
• RQ5 학습된 임베딩 공간에서 건강한 신호와 탈층 신호의 잠재 공간 표현은 얼마나 잘 분리되는가?

주요 결과

• 일종의 VAE는 탈층을 이상치로 감지하는 데 높은 분류 정확도를 보였으며, 99번째 백분율 오차 임계값이 최대 오차 임계값보다 더 뛰어난 성능을 보였다.
• CWT를 통한 시간-주파수 표현은 원시 가이드파 신호를 직접 사용하는 것보다 탐지 성능을 크게 향상시켰다.
• 잠재 공간에서 건강한 신호 클러스터와 탈층 신호 클러스터 간에 명확한 분리가 관찰되어 효과적인 특징 학습이 이루어졌음을 시사했다.
• 탈층 신호의 재구성 오차는 건강한 신호보다 유의미하게 높았으며, 이는 모델이 이상치를 탐지하는 데 능력을 갖추고 있음을 확인했다.
• 제한된 라벨 데이터 조건에서도 모델은 새로운 기준 신호와 손상 신호를 효과적으로 구분하는 데 뛰어난 강건성을 보였다.
• 낮은 거짓 경고 비율과 비지도 학습의 특성 덕분에 이 프레임워크는 안전이 중요한 항공기 응용 분야에 적합하다.